Astma bij kinderen verloopt vaak grillig: het ene moment spelen ze onbezorgd, het volgende moment dwingt benauwdheid tot stoppen. Onderzoekers in Medisch Spectrum Twente werken aan een mogelijke oplossing. Met PREVENT (Persoonlijke Risico Evaluatie Van Astma Exacerbatie) ontwikkelen zij een slim dashboard dat met behulp van kunstmatige intelligentie kan voorspellen wanneer een astma-aanval dreigt, zodat ouders en artsen eerder kunnen ingrijpen en ziekenhuisopnames mogelijk worden voorkomen bij kwetsbare kinderen.
Ongeveer 7 procent van de Nederlandse kinderen heeft astma. Bij een deel van hen blijft de ziekte instabiel, ondanks het gebruik van medicatie. Wanneer slaat een relatief rustige periode om in een aanval, en welke factoren spelen daarbij een rol? Dat is zelfs voor artsen niet altijd duidelijk, zegt dr. Mattiènne van der Kamp, Reggeborgh Research Fellow, technisch geneeskundige bij MST en hoofdonderzoeker van het PREVENT-project. “Die onvoorspelbaarheid maakt behandeling ingewikkeld.”
“De huidige astmazorg sluit niet altijd goed aan bij het grillige karakter van de ziekte,” legt Van der Kamp uit. Kinderen komen een paar keer per jaar op de poli, waarbij vooral wordt bekeken hoe het de afgelopen periode met de kinderen ging. Van der Kamp legt uit dat veel kinderen benauwdheid slecht aanvoelen komen, waardoor een verslechtering soms te laten wordt opgemerkt. Dan kan een longfunctie inmiddels als zo ver zijn gedaald dat er een ziekenhuisopname volgt.
PufferApp
Om sneller te kunnen ingrijpen, ontwikkelde het team van Van der Kamp eerder al de PufferApp: een eHealth-oplossing waarmee kinderen thuis hun longfunctie meten en via de app contact houden met hun zorgteam. “Zo kunnen we veel gerichter en sneller advies geven,” zegt Van der Kamp. “Het resultaat: het aantal ziekenhuisopnames is inmiddels gehalveerd vergeleken met een paar jaar geleden.”
PREVENT bouwt daarop voort. Het project combineert kunstmatige intelligentie (AI) met data uit verschillende bronnen: het elektronisch patiëntendossier, thuismetingen via de PufferApp, vragenlijsten, maar ook externe data zoals pollenstanden, luchtkwaliteit en hoeveel virussen er rondgaan.
Herkennen patronen
Wat voor het ene kind een belangrijke trigger is, speelt bij een ander nauwelijks een rol. Met AI kan het PREVENT-model individuele patronen herkennen en voorspellen wanneer een astma-aanval dreigt. Daarbij geeft het niet alleen een voorspelling, maar ook inzicht in de factoren die bijdragen aan verslechtering. Daarmee hoeft het zorgteam niet zozeer te reageren op terugvallen, maar vooruitkijken, zodat medicatie, blootstelling aan prikkels of extra alertheid tijdig kunnen worden aangepast.
Ontwerp door kinderen
Alle verzamelde inzichten in de PREVENT-studie worden uiteindelijk gebundeld in een persoonlijk dashboard. Bijzonder is dat kinderen zelf meedachten over het ontwerp tijdens zogenaamde co-designsessies. Ze maakten dashboards met stickers en kleuren om aan te geven welke informatie en functies ze belangrijk vinden. Zo ontstonden ideeën voor veel kleur, spelelementen en bijvoorbeeld weerinformatie. Door het dashboard samen met de kinderen te ontwikkelen, sluit het straks beter aan bij de manier waarop gezinnen het thuis willen gebruiken.
PREVENT is een samenwerking tussen MST, Ziekenhuisgroep Twente, het Deventer Ziekenhuis, de Universiteit Twente (TechMed Centrum) en het bedrijf Evidencio. De Pioneers in Health Care-voucher maakte het mogelijk om het project op te starten en de AI-technieken te ontwikkelen.
De universiteit brengt expertise op het gebied van AI en computer science. De ziekenhuizen leveren de klinische kennis en data. En Evidencio helpt om het model straks ook daadwerkelijk als medisch hulpmiddel te kunnen inzetten, met alle wet- en regelgeving die daarbij komt kijken.
Opnames en extra medicatie voorspellen
Dat de data uit meerdere ziekenhuizen komt, is volgens Tamara Arendshorst-Ruuls, technisch geneeskundige en promovenda, belangrijk voor de betrouwbaarheid. "We willen niet alleen lokaal een model trainen, maar zorgen dat het voor alle kinderen met astma werkt", legt Arendshorst-Ruuls uit. "Ironisch genoeg doen we het hier al zo goed, dat we weinig opnames hebben om het model op te trainen", zegt ze. "Daarom kijken we breder: niet alleen opnames voorspellen, maar ook wanneer extra medicatie nodig is."
Het project loopt nog volop. De komende tijd wordt het model verder geoptimaliseerd en getest. Een volgende stap is het inzetten van het dashboard naast de bestaande zorg, zodat artsen kunnen toetsen of de voorspellingen kloppen.
